Convencerlos de:

• La utilidad de visualizar datos
• Visualizar datos es más poderoso que usar modelos matemáticos
• No basar decisiones en anecdotas sensacionalistas
• Organizar los datos sistemáticamente
• No usar Microsoft Excel

• Bachillerato en Matemática: UPR Río Piedras
• PhD en Estadísticas: UC Berkeley
• Estádistico Aplicado
• Director y Professor en Dana-Farber Cancer Institute
• Mi enfoque es en la génomica
• Pero he trabajado en varias otras aplicaciones
• @rafalab

• Marc Lipsitch, Director, works on modeling the transmission of Coronavirus disease 2019.

• Carolina Buckee, expert in transmission of infectious diseases through populations

• Michael Mina, develops and tests high-throughput serological surveillance of infectious pathogens

Todos del Center for Communicable Disease Dynamics en Harvard

58,000 = 2% de la población!

Son diferentes

• Modelos matemáticos: hacen predicciones basados en ecuaciones diferenciales tratando de describir como funciona la naturaleza.

• Modelos estadísticos: ajustan modelos a datos observados basado en modelos que han funcionado en el pasado para situaciones parecidas.

• Visualización de datos: usa menos supuestos, pero permite descubrir patrones visualmente.

“It’s hard to make predictions especially about the future” - Yogi Berra

“Forecasting s-curves is hard” - Constance Crozier

• Ya sabemos que la tasa de transmición es alta.
• Se puede control con medidas como los lockdowns
• Quizás el dato más importante entonces es el número o porciento de infectados \(I(t)\)
• ¿Cómo lo estimamos?
• El número de casos reportados no es un buen estimador

Source: Puerto Rico Institute of Statistics

Trata de estimar la prevalencia: el porciento de rojos ya que no podemos probar a todos.

Si solo hacemos pruebas a los sintomáticos el estimado es bien sesgado: mucho mayor que la tasa actual.

Si hacemos pruebas más universalmente, el estimado es menos sesgado. Los casos reportados aumentan con el número de pruebas aunque no aumente la tasa.

Si hacemos pruebas más universalmente nuestra precisión mejora. Pero si la tasa real es baja esto puede ser una desperdicio de recursos.

No se compartía cuántas pruebas se habían hecho.

Massachusetts, que en mi opinion está monitoreando bien, lleva calculando y reportando la tasa de positividad por meses.

https://www.mass.gov/info-details/covid-19-response-reporting#covid-19-daily-dashboard-

También monitorean las hospitalizaciones y muertes.

Obviamente esos resultados no son confiables. Pero ahora esto va a mejorar pues tenemos datos compartidos por:

• Puerto Rico Public Health Trust
• Departamento de Salud

También tenemos datos de hospitalizaciones:

Una vez los datos están bien organizados, hacer una visualización es fácil:

hosp <- read_xlsx("data/Dash Total.xlsx")
hosp %>% 
  ggplot(aes(Fecha, `Total de Personas Hospitalizadas COVID`)) +
  geom_point() + geom_smooth(span = 0.3)

• ¿Estamos subestiando el efecto de la pandemia?
• Para tener una idea, podemos monitorear excesos de muertes.
• Comparamos el total de todas las muertes a lo esperado basado en años normales.

Muertes en marzo 2019: 2489

Muertes en marzo 2020: 2720

Estimar el exceso es más complicado que simplemente restar estos dos porque:

• Hay variabilidad natural de año a año.
• El tamaño de la población está cambiando.
• La demografía de PR está cambiando: el porciento de viejos esta creciendo

Otro reto es que los datos del reigstro demográfico toman como 45 días en estar completos:

Aquí vemos porque no debemos comparar solo dos años:

• Hasta ahora no parece que hay un exceso de muertes preocupante en PR.
• Esto puede cambiar, rápidamente.
• En las próximas páginas mostramos ejemplos de años que si hubo exceso de muertes.

• Organizen datos sistemáticamente
• Monitoreen con visualizaciones: tasa de positividad, hospitalizaciones y muertes
• Monitoreen por regiones geográficas
• Mis colegas expertos dicen: Control de aeropuertos
• Datos y código: https://github.com/rafalab/pr-covid

• Joshua Villafañe Delgado (Departamento de Salud)
• Danilo Trinidad Perez Rivera (Departamento de Salud)
• José A. López Rodriguez (Registro Demográfico)
• Wanda Llovet Díaz (Registro Demográfico)
• Marcos López Casillas (PRST)
• José Rodriguez Orenge (PRST)
• Daniel Colón Ramos (Yale)
• Caroline Buckee, Michael Mina, Marc Lipsitch (Harvard)
• Natalie Dean (University of Florida)